a2 – aprendizagem automática ml – machine...

7/15/2013

1

1

Julho e Agosto de 2013

A2 – Aprendizagem Automática ML – Machine Learning

José Valente de Oliveirahttp://w3.ualg.pt/~jvo

[email protected]

Preparado para o curso de pós-graduação em Ciências da Computação da Universidade Federal do Ceará, Fortaleza, Brasil

From: http://pt.wikipedia.org/wiki/Algarve 2

Algarve

7/15/2013

2

From: http://pt.wikipedia.org/wiki/Algarve 3

Algarve, Faro

From: http://www..ualg.pt 4

Ualg, Universidade do Algarve

7/15/2013

3

About UAlg

7/15/2013 http://www.ualg.pt 5

Established in 1979Student population around 10 000829 faculty members; 452 technical and administrative staffThree faculties:Faculty of Economics;Faculty of Human and Social Sciences;Faculty of Sciences and Technology.

four schools:School of Education and Communication;School of Management, Hospitality and Tourism;Engineering Institute;Faro School of Health

and one Dept. of Biomedical Sciences and Medicine

143 degree programs

w3.ualg.pt/~jvo/ml

Todos os detalhes na tutoria electrónica.

7/15/2013

4

O que é a Aprendizagem Automática?

http://w3.ualg.pt/~jvo/ml

SPAM

7/15/2013

5

15-Jul-13 http://w3.ualg.pt/~jvo/ml 12 – 9

À procura de uma definiçãoAprendizagem é o processo em que o sistema melhora o seu desempenho com base na sua experiência (Herbert Simon).

Aprender significa realizar mudanças úteis no modo de funcionar da nossa mente (Minsky)


À procura de uma definição

Aprendizagem Máquina é o campo de estudo que permite aos computadores aprenderem sem terem de ser explicitamente programados (A. Samuel, 1959).

7/15/2013

6


À procura de uma definição

Um programa aprende a partir da experiencia E relativamente a alguma classe de tarefas Te medida de desempenho P, se o seu desempenho na tarefa T, medido por P, melhora com a experiência E. (Mitchell, 1997)

15-Jul-13 12 – 12

Exemplo 1

T: Jogar damas

P: Percentagem de jogos ganhos contra adversários

E: Praticar jogando consigo próprio

7/15/2013

7

15-Jul-13 12 – 13

Exemplo 2

T: Reconhecer dígitos manuscritosP: Percentagem de dígitos corretamente

classificadosE: Base de dados com imagens rotuladas de dígitos

manuscritos.

15-Jul-13 12 – 14

Exemplo 3

T: Classificação de mensagens de email como spam (ou legítimas)

P: Percentagem de emails classificados corretamente.

E: Base de dados de emails, alguns previamente classificados como spam.

SPAM

7/15/2013

8

15-Jul-13 12 – 15

Exemplo 4T: Conduzir em autoestradausando câmaras de video

P: Distância média percorridaantes de ser assinalado um erro

E: Uma sequência de imagens e comandos de direçãoobservados de um condutorhumano.

O ambiente varia no tempo.

Novo conhecimento está sendo constantemente descoberto tornando difícil o redesenho de sistemas “à mão”.

A quantidade de conhecimento disponível sobre certas tarefas é demasiado para ser explicitamente codificado (e.g., diagnóstico médico)

Por que é importante a Aprendizagem?

7/15/2013

9

Por que é importante a Aprendizagem?

Algumas tarefas não podem ser bem especificadas a não ser por exemplos (e.g., reconhecimento de pessoas).

Os relacionamentos e correlações podem estar escondidos em grandes volumes de dados e a aprendizagem poderá ser capaz de descobrir essas relações.

15-Jul-13 12 – 18

EntradasPares Atributo/valor: numéricos, texto, etc

SaídaNumérico, simbólico, gráfico

Tipo de aprendizagemDeductivo, inductivo

TarefaClassificação, regressão

Tipo de feedbackSupervisionado, por reforço, não supervisionado

Variantes

7/15/2013

10

Regressão: Previsão de valores contínuos (preço)

Variantes: aprendizagem supervionsada

0

100

200

300

400

500

0 1000 2000 30000

100

200

300

400

500

0 1000 2000 3000

Preço($$)

Cilindrada (cc)

Classificação: Saída de valores discretos (0 ou 1)

Maligno?

1(Sim)

0(Não)

Tamanho do tumor

Variantes: aprendizagem supervionsada

7/15/2013

11

x1

x2

Variantes: aprendizagem não supervisionada

Análise de redes sociais

Análise de dados astronómicos

Segmentação do mercado

Variantes: aprendizagem não supervisionada

7/15/2013

12

Variantes: representaçãoFunções numéricas

Regressão linear,Redes neuronaisMáquinas de vectores de suporte

Funções simbólicasRegras em lógica proposicionalRegras em lógica de primeira-ordem

Modelos gráficos probabilisticos

Redes BayesianasModelos de Markvoc

15-Jul-13 12 – 24

Metaphors

Computacional Conexionist Biological

Metáforas

7/15/2013

13

Animal learning(Cognitive science,

Psychology, Neuroscience)Machine learning

Statistics

Computer science

Adaptive Control Theory

and

Robotics

Evolution

Economics

Aprendizagem Automática e a Computação

ML já é a abordagem preferida em:Reconhecimento de fala e processamento de linguagem naturalVisão por computadorAnálise de dados médicosControlo robótico…

O nicho ML tem vindo a crescer devidoAlgoritmos cada vez melhoresAumento da disponibilidade de dadosSoftware demasiado complexo para ser escrito manualmenteExigência do usário por customização

Todo o software

ML apps.

26

7/15/2013

14


Objetivos gerais da disciplina

Em traços gerais, a Aprendizagem Automática visa dotar programascom a capacidade de melhorar o seu desempenho usando suaexperiência (e.g., pilotos autónomos, reconhecedores de fala ouescrita, vídeo games, filtros de spam). Esta disciplina cobrealgoritmos e alguns aspetos teóricos e práticos para implementaçãode Aprendizado Automático. A disciplina é claramenteinterdisciplinar e inclui tópicos como técnicas Bayesianas, redesneurais, máquinas de vetores de suporte, métodos deaprendizagem estatística e aprendizagem não supervisionada.

No fim desta disciplina os estudantes deverão ser capazes deaplicar técnicas adequadas de Aprendizado Automático nodesenvolvimento de programas que encontram soluções para

instâncias de problemas reais.


Tópicos programáticos

IntroduçãoAprendizagem indutiva, regressão linear e logísticaRegularizaçãoAbordagem conexionista: Redes NeuraisMáquinas de Vetores de Suporte (SVM)Combinação de classificadoresTécnicas BayesianasModelos gráficosDeteção de AnomaliasSistemas de recomendaçãoAbordagem biológica: Algoritmos genéticos e evolutivos

7/15/2013

15


Bibliografia recomendada

http://w3.ualg.pt/~jvo/iml

Recommended bibliography[Referência principal]

Christopher Bishop, Pattern Recognition and Machine Learning, Springer, 2006

[Referência complementar]Ethem Alpaydin, Introduction to Machine Learning. MIT Press, 2010

Recursos adicionais disponíves em http://w3.ualg.pt/~jvo/ml/

7/15/2013

16


AvaliaçãoNota final corresponde à média ponderada da nota de um conjunto de problemas que serão realizados ao longo da disciplina.

Arredondamentos só na nota final.

Os problemas incluem a realização de trabalhos práticos, opcionais.

Os trabalhos práticos são realizados em grupo de, no máximo, 3 (três) estudantes


SumárioIntrodução à Aprendizagem Automática : aplicações, definições, variantes, breve referência ao Estado da ArteObjetivos pedagógicos da disciplinaConteúdos programáticosBibliografia recomendadaAvaliaçãoRecursos online

a2 – aprendizagem automática ml – machine...

Documents